以下是一个示例代码，它按类别填充缺失日期：

import pandas as pd

# 创建一个示例数据集
data = {'类别': ['A', 'A', 'B', 'B', 'C', 'C'],
        '日期': ['2020-01-01', '2020-01-03', '2020-01-01', '2020-01-04', '2020-01-02', '2020-01-03'],
        '数值': [1, 2, 3, 4, 5, 6]}
df = pd.DataFrame(data)

# 将日期列转换为日期类型
df['日期'] = pd.to_datetime(df['日期'])

# 按类别分组
grouped = df.groupby('类别')

# 对每个组进行缺失日期填充
filled_df = pd.DataFrame()
for group_name, group_df in grouped:
    # 获取该组的最小和最大日期
    min_date = group_df['日期'].min()
    max_date = group_df['日期'].max()
    
    # 生成完整的日期范围
    all_dates = pd.date_range(start=min_date, end=max_date)
    
    # 将完整的日期范围与原始数据进行合并
    merged_df = pd.merge(group_df, pd.DataFrame({'日期': all_dates}), on='日期', how='right')
    
    # 对缺失的数值进行填充
    merged_df['数值'] = merged_df['数值'].fillna(0)
    
    # 将填充后的数据添加到结果中
    filled_df = filled_df.append(merged_df)

# 对结果按照日期和类别进行排序
filled_df = filled_df.sort_values(['日期', '类别'])

print(filled_df)

这段代码首先创建了一个示例的数据集，包含了类别、日期和数值三列。然后，将日期列转换为日期类型，并按类别分组。接下来，对每个组进行缺失日期填充。

在每个组中，首先获取该组的最小和最大日期，然后根据这个范围生成完整的日期范围。接着，将完整的日期范围与原始数据进行合并，使用右连接以保留完整的日期范围。对于缺失的数值，使用fillna方法填充为0。最后，将填充后的数据添加到结果中。

最后，对结果按照日期和类别进行排序，并打印出结果。这样就实现了按类别填充缺失日期的需求。